[3Win5-27] リザバー計算モデルの連合学習による時系列異常検知における計算効率化
キーワード:連合学習、異常検知、リザバーコンピューティング
連合学習は、データが分散した環境下でデータを集約しない非中央集権の機会学習手法であり、データプライバシー保護に有用であると期待されている。 連合学習によって深層学習モデルを構築する手法が多数提案されているが、IoT応用では、サーバー・クライアント間の通信帯域やクライアント側の計算資源が制約となることがある。 本研究では、計算量や通信量の面での効率化を図るため、リザバーコンピューティングモデルに基づく連合学習に着目する。 時系列異常検知を対象とした既存の手法では、クライアントが一斉にサーバーへローカルの更新情報を送信し、サーバーでグローバルモデルを一度だけ更新することを想定していた。 本研究では、既存手法の効率化を目的とし、主成分分析を用いてオンラインで効率よくグローバルモデルを更新する方法を提案する。 提案手法を用いた数値実験により,モデルパフォーマンスと計算効率の間にトレードオフの関係があることを示し,効率的なグローバルモデル更新とデータ転送量削減の両方を実現できる可能性を検証する。
講演PDFパスワード認証
論文PDFの閲覧にはログインが必要です。参加登録者の方は「参加者用ログイン」画面からログインしてください。あるいは論文PDF閲覧用のパスワードを以下にご入力ください。